digilib.uinsby.ac.iddigilib.uinsby.ac.id/39760/4/laporan penelitian lppm 2017...kecepatan arus laut...
TRANSCRIPT
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
iii
iii
ABSTRAK
Indonesia sebagai negara kepulauan berdampak pada mayoritas penduduknya bekerja di sektor
laut. Bersamaan dengan semakin meningkatnya aktivitas di laut, mengakibatkan semakin
banyaknya insiden dan kecelakaan di laut khususnya yang dialami para nelayan. Perancangan
sistem prediksi cuaca maritim pada penelitian ini menggunakan model Adaptive Neuro Fuzzy
Inference System – Time Series dengan tujuan dapat memprediksi cuaca maritim untuk
mengantisispasi berbagai kemungkinan yang terjadi dan untuk mengurangi serta meminimalkan
dampak yang dapat merugikan masyarakat khususnya para nelayan di perairan Gresik. Pada
penelitian ini prediksi difokuskan pada prediksi kecepatan arus, curah hujan dan ketinggian
gelombang sehingga input variable yang digunakan dalam penelitian ini adalah inputan masing-
masing variabel untuk dua jam sebelumnya, satu jam sebelumnya, dan pada saat itu serta output
sistem ini adalah prediksi satu jam, enam jam, dua belas jam dan satu hari kedepan dari variabel
kecepatan arus laut (cm/s) dan ketinggian gelombang (m) sedangkan untuk variabel curah hujan
hanya prediksi satu hari kedepan. Hasil penelitian menunjukkan bahwa prediksi kecepatan arus ke
depan dengan menggunakan Adaptive Neuro Fuzzy Inference System – Time Series mencapai
16.97327 cm/s; 13.22302 cm/s; 10.21107 cm/s; 14.09871 cm/s. dengan error mean sebasar
0.12993; 1.5758; 1.3182; 0.82613. Adapun prediksi ketinggian gelombang mencapai 0.45554 m;
0.48286 m; 0.46395 m; 0.54571 m dengan error mean masing-masing sebesar 0.0012247;
0.018619; 0.046584; 0.060206 untuk selang waktu 1 jam, 6 jam, 12 jam dan 24 jam. Sedangkan
untuk prediksi curah hujan satu hari kedepan mencapai 1.60724 mm/day dengan RMSE mencapai
0.57819. Dengan demikian pada 1 Januari 2017 masyarakat perairan jawa khusunya di wilayah
Gresik aman dalam melakukan pelayaran.
Keywords : Prediksi Cuaca Maritim, ANFIS Time Series
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
iv
iv
ABSTRACT
Indonesia is an archipelago. Consequently, the majorities are working around the sea such as a
fisherman. While the number of activities at sea are increasing more accident occurred are rising.
This research presents marine weather prediction system using Adaptive Neuro Fuzzy Inference
System – Time Series in order to anticipate bad weather and reduce risk. This method use both
ocean current, rainfall and wave height at Java Sea particularly on Gresik in order to forecast
ocean current velocity and wave height. Input variables used in this paper are data at (t), an hour
before (t-1), and two hours before (t-2) and obtained next hour, next 6 hours, next 12 hours, and
next day prediction as output. But the rainfall, just next day prediction. The results indicate that
ocean current speed attain 16.97327 cm/s; 13.22302 cm/s; 10.21107 cm/s; 14.09871 cm/s with
mean error is about 0.12993; 1.5758; 1.3182; 0.82613 while wave height reach 0.45554 m;
0.48286 m; 0.46395 m; 0.54571 m with mean error is about 0.0012247; 0.018619; 0.046584;
0.060206. and The results indicate that rainfall attain 1.60724 mm/day with RMSE is about
0.57819.Therefore, it was safe to sailing on 1st January 2016.
Keywords: Marine Weather Prediction, ANFIS Time Series
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
v
v
KATA PENGANTAR
Assalamu’alaikum Wr. Wb.
Puji dan syukur penulis haturkan kepada Allah SWT atas segala rahmat
serta hidayah-Nya, sehingga laporan penelitian ini dapat peneliti selesaikan
dnegan baik. Sholawat serta salam juga patut dihaturkan kepada junjungan
Rosulullah Muhammad SAW.
Ucapan terima kasih yang sebesar-besarnya kepada Lembaga Penelitian
dan Pengabdian Masyarakat (LP2M) UIN Sunan Ampel Surabaya yang telah
memberikan bantuan berupa materi sehingga penelitian ini dapat terselesaikan
dengan baik. Terima kasih juga peneliti sampaikan kepada Badan Metereologi,
Klimatologi, dan Geofisika Perak Surabaya yang telah bersedia memberikan data
untuk penelitian ini yang tentu masih jauh dari kata sempurna. Sehingga masih
dimungkinkan perlu disempurkan lagi. Oleh karena itu saran dan kritik yang
membangun senantiasa peneliti harapkan demi kesempurnaan laporan ini.
Wassalamu’alaikum Wr. Wb
Surabaya, 6 Oktober 2017
Penulis
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
vi
vi
DAFTAR ISI
LEMBAR PERSETUJUAN DAN PENGESAHAN .............................................. ii
ABSTRAK ............................................................................................................. iii
ABSTRACT ........................................................................................................... iv
KATA PENGANTAR ............................................................................................ v
DAFTAR ISI .......................................................................................................... vi
DAFTAR TABEL ................................................................................................ viii
DAFTAR GAMBAR ............................................................................................. ix
BAB I PENDAHULUAN ...................................................................................... 1
A. Latar Belakang ............................................................................................. 1
B. Rumusan Masalah ........................................................................................ 5
C. Tujuan Penelitian ......................................................................................... 5
D. Kegunaan Penelitian .................................................................................... 6
E. Penelitian Terdahulu .................................................................................... 6
F. Sistematika Pembahasan .............................................................................. 6
BAB II KAJIAN PUSTAKA .................................................................................. 9
A. Cuaca dan Cuaca Maritim ............................................................................ 9
BAB III METODE PENELITIAN ....................................................................... 22
A. Jenis Penelitian ........................................................................................... 22
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
vii
vii
B. Analisis Kebutuhan .................................................................................... 22
C. Pengujian dan Evaluasi .............................................................................. 23
BAB IV HASIL PENELITIAN ............................................................................ 26
A. Penyajian Data ........................................................................................... 26
B. Hasil ........................................................................................................... 28
BAB V PEMBAHASAN DAN DISKUSI PENELITIAN .................................. 53
A. Pembahasan ................................................................................................ 53
BAB VI PENUTUP ............................................................................................. 58
A. Kesimpulan ................................................................................................ 58
B. Rekomendasi .............................................................................................. 59
DAFTAR PUSTAKA ........................................................................................... 60
LEMBAR PERSETUJUAN DAN PENGESAHAN .............................................. ii
ABSTRAK ............................................................................................................. iii
ABSTRACT ........................................................................................................... iv
KATA PENGANTAR ............................................................................................ v
DAFTAR ISI .......................................................................................................... vi
DAFTAR TABEL ................................................................................................ viii
DAFTAR GAMBAR ............................................................................................. ix
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
viii
viii
DAFTAR TABEL
Tabel 4.1. Sampel Data Kecepatan Arus dan ketinggian Gelombang ....... 26
Tabel 4.2. Sampel Data Curah Hujan ........................................................ 27
Tabel 5.1. Nilai-nilai Prediksi Kecepatan Arus ......................................... 53
Tabel 5.2. Nilai-nilai Prediksi Curah Hujan .............................................. 55
Tabel 5.3. Nilai-nilai Prediksi Ketinggian Gelombang.............................. 55
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
ix
ix
DAFTAR GAMBAR
Gambar 2.1. Fungsi Keanggotaan Segitiga .................................................. 17
Gambar 2.2. Fungsi Keanggotaan Trapesium .............................................. 17
Gambar 2.3. Fungsi Keanggotaan Gauss (Gaussian) ................................... 18
Gambar 2.4. Diagram Proses Fuzzy Inference System (FIS) ........................ 18
Gambar 2.5 Struktur Metode Adaptive Neuro Fuzzy Inference System
(ANFIS) ......................................................................................................... 20
Gambar 4.1. Hasil ANFIS dengan menggunakan MATLAB........................ 29
Gambar 4.2. Mengisi Parameter ANFIS Generation Methods dari genfis 1 . 30
Gambar 4.3. Grafik Hasil Prediksi Kecepatan Arus Satu Jam Kedepan dengan
Number of MF’s Sebanyak ‘2’ ...................................................................... 31
Gambar 4.4. Grafik Hasil Prediksi Kecepatan Arus Enam Jam Kedepan
dengan Number of MF’s Sebanyak ‘2’ .......................................................... 32
Gambar 4.5. Grafik Hasil Prediksi Kecepatan Arus Dua Belas Jam Kedepan
dengan Number of MF’s Sebanyak ‘2’ .......................................................... 33
Gambar 4.6. Grafik Hasil Prediksi Kecepatan Arus Satu Hari Kedepan
dengan Number of MF’s Sebanyak ‘2’ .......................................................... 34
Gambar 4.7. Grafik Hasil Prediksi Kecepatan Arus Satu Jam Kedepan dengan
Number of MF’s Sebanyak ‘3’ ...................................................................... 35
Gambar 4.8. Grafik Hasil Prediksi Kecepatan Arus Enam Jam Kedepan
dengan Number of MF’s Sebanyak ‘3’ .......................................................... 36
Gambar 4.9. Grafik Hasil Prediksi Kecepatan Arus Duabelas Jam Kedepan
dengan Number of MF’s Sebanyak ‘3’ .......................................................... 37
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
x
x
Gambar 4.10. Grafik Hasil Prediksi Kecepatan Arus Satu Hari Kedepan
dengan Number of MF’s Sebanyak ‘3’ .......................................................... 38
Gambar 4.11. Hasil ANFIS dengan menggunakan MATLAB...................... 39
Gambar 4.12. Mengisi Parameter ANFIS Generation Methods dari genfis 1 40
Gambar 4.13. Grafik Hasil Prediksi Curah Hujan Satu Hari Kedepan dengan
Number of MF’s Sebanyak ‘2’ ...................................................................... 41
Gambar 4.14. Grafik Hasil Prediksi Curah Hujan Satu Hari Kedepan dengan
Number of MF’s Sebanyak ‘3’ ...................................................................... 42
Gambar 4.15. Hasil ANFIS dengan menggunakan MATLAB...................... 44
Gambar 4.16. Mengisi Parameter ANFIS Generation Methods dari genfis 1 44
Gambar 4.17. Grafik Hasil Prediksi Ketinggian Gelombang Satu Jam
Kedepan dengan Number of MF’s Sebanyak ‘2’ ........................................... 45
Gambar 4.18. Grafik Hasil Prediksi Ketinggian Gelombang Enam Jam
Kedepan dengan Number of MF’s Sebanyak ‘2’ ........................................... 46
Gambar 4.19. Grafik Hasil Prediksi Ketinggian Gelombang Dua Belas Jam
Kedepan dengan Number of MF’s Sebanyak ‘2’ ........................................... 47
Gambar 4.20. Grafik Hasil Prediksi Ketinggian Gelombang Satu Hari
Kedepan dengan Number of MF’s Sebanyak ‘2’ ........................................... 48
Gambar 4.22. Grafik Hasil Prediksi Ketinggian Gelombang Enam Jam
Kedepan dengan Number of MF’s Sebanyak ‘3’ ........................................... 50
Gambar 4.23. Grafik Hasil Prediksi Ketinggian Gelombang Duabelas Jam
Kedepan dengan Number of MF’s Sebanyak ‘3’ ........................................... 51
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
xi
xi
Gambar 4.24. Grafik Hasil Prediksi Ketinggian Gelombang Satu Hari
Kedepan dengan Number of MF’s Sebanyak ‘3’ ........................................... 52
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
1
BAB I
PENDAHULUAN
A. Latar Belakang
Indonesia merupakan Negara yang terdiri atas ribuan pulau dan laut
sehingga Indonesia sering disebut sebagai Negara kepulauan. Banyaknya
pulau dan laut di wilayah Indonesia membuat mayoritas penduduknya
bermata pencaharian di wilayah laut. Selain berfungsi sebagai sarana untuk
menyediakan mata pencaharian, laut juga berfungsi sebagai sarana
transportasi nasional. Karena adanya peningkatan aktivitas transportasi laut
mengakibatkan semakin banyaknya insiden dan kecelakaan transportasi laut.
Salah satu faktor yang menyebabkan terjadinya insiden dan kecelakaan
adalah pola cuaca dan iklim yang tidak beraturan.
Ketidak teraturan cuaca dan iklim ini disebabkan berbagai faktor,
di antaranya periode angin muson timur dan angin muson barat yang bersifat
dinamis sejak tahun 19911, pengaruh La Nina dan El Nino, pengaruh Dipole
Mode, pengaruh dari perubahan signifikan suhu permukaan laut Indonesia
dan banyaknya laut di Indonesia. Banyaknya laut ini berakibat Indonesia
memiliki tekanan yang berbeda-beda di setiap daerahnya dan hal ini yang
paling memicu terjadinya pembentukan angin kencang. Frekuensi gangguan
angin kencang yang terjadi, berpeluang menggangu lalu lintas perhubungan
laut dan penyebarangan antar pulau.
1Nur Wakhid Habibullah, et.al, 2012, “Perancangan Sistem Prediktor Cuaca Maritim dengan
Menggunakan Metode Fuzzy Takagi Sugeno”, Jurnal Teknik POMITS Vol. 1, No. 1. 1
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
2
2
Beberapa kecelakaan yang dialami transportasi laut, di antarnya
tenggelamnya kapal besar maupun kapal kecil, tabrakan antar kapal dan
tergulingnya kapal akibat gelombang laut yang terlalu tinggi. Faktor-faktor
penyebab terjadinya kecelakaan ini adalah 41% kesalahan manusia (human
error), 38% bencana alam (force major), dan 21% akibat struktur kapal (hull
structure)2. Kecelakaan–kecelakaan ini juga sering dialami oleh para nelayan
khususnya di wilayah perairan laut Jawa dan sekitarnya.
Pada tahun 2016, para nelayan pencari lobster di wilayah perairan
Trenggalek tewas dikarenakan terseret ombak besar3, kemudian di wilayah
pesisir pantai utara (Pantura) para nelayan tidak berani melaut akibat adanya
cuaca buruk yang datang dengan tiba-tiba sehingga ikan segar langka4,
sementara di perairan Situbondo dikabarkan seorang nelayan hilang5, dan di
waktu-waktu dekat ini sekitar bulan Januari dan bulan Februari 2017 banyak
terjadi kecelakaan–kecelakaan seperti kecelakaan transportasi kapal nelayan,
tenggelamnya kapal maupun tersesatnya kapal nelayan. Kecelakaan tersebut
salah satunya terjadi pada nelayan Tuban yang tewas di pantai Tuban6, di
2Arief Hanifan P, et.al, 2010, “Perancangan Sistem Informasi Cuaca Maritim Untuk Para Nelayan
Jawa Timur Dengan Media Komunikasi Short Message Service”, 1 3Nanang Masyhari, 2016, “Cari Udang Lobster, Nelayan Trenggalek Tewas Terseret Ombak”,
(http://beritajatim.com/peristiwa/279938/cari_udang_lobster,_nelayan_trenggalek__tewas_terseret
_ombak.html.diakses 12 Maret 2017) 4M Yakub, 2016, “Nelayan Tidak Melaut, Ikan Laut Segar Langka”,
(https://news.detik.com/media-Indonesia/Nelayan_tidak_melaut_ikan_laut_segar_langka, diakses
12 Maret 2017) 5Imam Wahyudiyanta, 2017, “Dua Korban Kapal Nelayan Lamongan yang Hilang Belum
ditemukan”,(https://news.detik.com/berita-jawa-timur/d-3415617/dua-korban-kapal-nelayan-
lamongan-yang-hilang-belum-ditemukan, diakses 26 Maret 2017) 6M. Muthohar. (2017). Geger Nelayan Tuban Tewas di
Pantai.http://beritajatim.com/peristiwa/290711/geger_nelayan_tuban_tewas_di_pantai.html.
Diakses 26 Maret 2017.
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
3
3
wilayah lain juga terdapat dua nelayan Banyuwangi hilang di laut Situbondo7,
di selat Bali satu nelayan juga menghilang8, dan di wilayah Sumenep para
nelayan mengalami pengangguran akibat cuaca buruk yang terjadi9.
Dari banyaknya kecelakaan yang terjadi mengakibatkan banyaknya
tuntutan dari berbagai pihak yang membutuhkan informasi kondisi cuaca
yang lebih cepat, akurat dan lebih lengkap. Informasi ini sangat berperan bagi
masyarakat dalam mengantisispasi berbagai kemungkinan yang terjadi dan
untuk mengurangi serta meminimalisir dampak yang dapat merugikan
masyarakat khususnya para nelayan. Para nelayan pada dasarnya hanya
mengandalkan pelayaran sebagai aktivitas mata pencaharian dan sangat
bertumpu pada cuaca maritim. Dengan harapan informasi cuaca maritim
inilah nantinya dapat meminimalisir kecelakaan pelayaran nelayan. Salah satu
antisispasinya dapat berupa peramalan atau prediksi faktor-faktor yang
mengakibatkan perubahan cuaca maritim, sehingga hasil yang didapatkan
dapat membantu meminimalkan dampak yang akan terjadi di masa yang akan
datang.
Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) sebagai
lembaga pemerintah non-departemen yang bertugas dalam pengamat cuaca
mampu memprediksikan cuaca melalui metode konvensional baik itu melalui
7Rindi Suwito, “Dua Nelayan Banyuwangi Hilang di Laut Situbondo”,
(http://beritajatim.com/peristiwa/289481/dua_nelayan_banyuwangi_hilang_di_laut_situbondo.htm
l, diakses 26 Maret 2017) 8Rindi Suwito, 2017, “Nelayan Hilang, TRC BPBD Banyuwangi Sisir Selat Bali”
(http://beritajatim.com/peristiwa/289523/nelayan_hilang,_trc_bpbd_banyuwangi_sisir_selat_bali.h
tml, diakses 12 Maret 2017) 9Temmy P, 2017, “Cuaca Ekstrem, Nelayan Sumenep ‘Nganggur”,
(http://beritajatim.com/peristiwa/289521/cuaca_ekstrem,_nelayan_sumenep_'nganggur'.html,
diakses 12 Maret 2017)
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
4
4
metode statistika atau dinamika atmosfer10
. Namun jika dilihat, prakiraan
yang dilakukan melalui metode konvensional masih perlu ditingkatkan dari
segi keakuratannya, karena pada dasarnya para forecaster (peramal cuaca)
menganalisis hasil prediksi dari perhitungan konvensional secara subyektif.
Oleh karena itu, perlunya merancang prediksi cuaca maritim diharapkan
dapat membantu pelayaran nelayan secara akurat dan lengkap. Perancangan
sistem prediksi cuaca maritim ini menggunakan model Adaptive Neuro Fuzzy
Inference System (ANFIS) Time Series yang mana metode tersebut cocok
dalam masalah forecasting. Dan metode ini merupakan gabungan dari dua
metode yaitu Logika Fuzzy yang digunakan dalam pengambilan keputusan
dalam prediksi cuaca dan jaringan syaraf tiruan yang mampu beradaptasi
dengan variabel-variabel atmosfer.
Berdasarkan kondisi tersebut, maka peneliti melakukan penelitian
tentang Prediksi Pola Cuaca Maritim (Curah Hujan, Tinggi Gelombang, dan
Kecepatan Arus) Menggunakan Adaptive Neuro Fuzzy Inference System Time
Series dengan harapan mampu menghasilkan sistem peramalan yang lebih
efektif dan efisien serta mampu membantu masyarakat pesisir Gresik dalam
melakukan pelayaran. Hal ini telah terdapat dalam Al-Quran surat Yunus ayat
22 mengenai penciptaan laut serta kegunaannya sebagaimana dijelaskan
dalam ayat berikut:
والبحر ك ف الب ي يسي هوالذقى
حت اذاكنت ف الفل ج
بة م بريح طي وجرين ب فرحواباجآ ءتا وذ
جآ ءه الموج من ك م م ريح عاصف وذ م احيط ب ظنوآ انذ كن وذلا
ين دعواالل مخلصي ل اللا
يتنامن هذه لئ ان
لنكوننذ من الشكرين
10
Ibid., hal 3
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
5
5
“ Dialah Tuhan yang menjadikan kamu dapat berjalan di daratan (dan
berlayar) di lautan. Sehinggga ketika kamu berada di dalam kapal, dan
meluncurlah (kapal) itu membawa mereka (orang-orang yang ada di
dalamnya) dengan tiupan angin yang baik, dan mereka bergembira
karenanya; tiba-tiba datanglah badai dan gelombang menimpanya dari
segenap penjuru, dan mereka mengira telah terkepung (bahaya), maka mereka
berdoa dengan tulus ikhlas kepada Allah semata (seraya berkata), “Sekiranya
Engkau menyelamatkan kami dari (bahaya) ini, pasti kami termasuk orang-
orang yang bersyukur”.
B. Rumusan Masalah
Berdasarkan latar belakang yang ada maka peneliti merumuskan
permasalahan yang akan diteliti sebagai berikut:
1. Bagaimana Hasil Metode Adaptive Neuro Fuzzy Inference System Time
Series dalam Memprediksi Cuaca Maritim sebagai Peringatan Dini Bagi
Keselamatan Nelayan Perairan Gresik?
2. Bagaimana Simulasi dari Prediksi Cuaca Maritim yang Mengunakan
Metode Adaptive Neuro Fuzzy Inference System Time Series?
C. Tujuan Penelitian
Mengacu pada rumusan masalah di atas, maka tujuan penelitian ini
adalah:
1. Metode Adaptive Neuro Fuzzy Inference System Multivariate Time Series
dapat Memprediksi Cuaca Maritim Guna Sebagai Peringatan Dini Bagi
Para Nelayan Perairan Gresik.
2. Hasil Simulasi dari Prediksi Cuaca Maritim yang Mengunakan Metode
Adaptive Neuro Fuzzy Inference System Time Series.
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
6
6
D. Kegunaan Penelitian
Berdasarkan penelitian yang penulis lakukan, diharapkan penelitian
ini bermanfaat bagi penulis, pembaca dan pihak-pihak yang berkepentingan.
Sehingga manfaat dari penelitian ini adalah:
1. Hasil penelitian ini diharapkan dapat menjadi salah satu bahan
pertimbangan bagi Badan Meteorologi, Klimatologi dan Geofisika
tentang pentingnya prediksi cuaca maritim.
2. Penelitian ini diharapkan dapat memberikan sumbangan sekaligus
wawasan ilmu pengetahuan bagi peneliti-peneliti yang ingin
mengembangkan sistem perancangan prediksi cuaca maritim.
E. Penelitian Terdahulu
Penelitian mengenai prediksi cuaca maritim telah banyak dilakukan
dan dipublikasikan dalam jurnal nasional maupun jurnal internasional dengan
berbagai macam metode. Beberapa diantaranya adalah penelitian yang
dilakukan oleh Arif Hanifan P. menggunakan media komunikasi Short
Message Service11
, metode Fuzzy Takagi Sugeno yang digunakan dalam
penelitian Nur Wakhid Habibulloh12
, penelitian oleh Saarika Sharma yang
berjudul Fuzzy Time Series Model for Forecasting13
.
F. Sistematika Pembahasan
Adapun sistematika penyusunan yang digunakan dalam menyusun
laporan ini adalah:
11
Ibid. 12
Nur Wakhid Habibullah, 2013, “Perancangan Sistem Prediktor Cuaca Maritim dengan
Menggunakan Metode Fuzzy Takagi Sugeno”, 1 13
Saarika Sharma, 2014, “Fuzzy Time Series Model for Forecasting”, 1
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
7
7
BAB I: PENDAHULUAN
Bab ini menjelaskan latar belakang, rumusan masalah, tujuan
tujuan penelitian, kegunaan penelitian, penelitian terdahulu, kerangka teoritik,
metode penelitian, dan sistematika pembahasan.
BAB II: KAJIAN PUSTAKA
Bab ini memuat penjelasan teori tentang sistem yang berkaitan
dengan penelitian.
BAB III: METODE PENELITIAN
Bab ini berisi tentang jenis penelitian, analisis kebutuhan, sumber
data yang digunakan dalam penelitian, serta rancangan sistem yang akan
dilakukan dalam penelitian.
BAB IV: HASIL PENELITIAN
Bab ini berisi tentang hasil penelitian mengenai Prediksi Pola
Cuaca Maritim (Curah Hujan, Tinggi Gelombang, dan Kecepatan Arus)
Menggunakan Adaptive Neuro Fuzzy Inference System Time Series.
BAB V: PEMBAHASAN DAN DISKUSI PENELITIAN
Bab ini memuat pembahsan dari hasil penelitian mengenai Prediksi
Pola Cuaca Maritim (Curah Hujan, Tinggi Gelombang, dan Kecepatan Arus)
Menggunakan Adaptive Neuro Fuzzy Inference System Time Series.
BAB VI: PENUTUP
Bab ini berisi kesimpulan dari penelitian yang dilakukan oleh
peneliti yaitu mengenai “Prediksi Pola Cuaca Maritim (Curah Hujan, Tinggi
Gelombang, dan Kecepatan Arus) Menggunakan Adaptive Neuro Fuzzy
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
8
8
Inference System Time Series.”, serta rekomendasi yang ditujukan untuk para
pembaca ataupun peneliti-peneliti selanjutnya.
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
9
9
BAB II
KAJIAN PUSTAKA
A. Cuaca dan Cuaca Maritim
Cuaca adalah fenomena-fenomena yang saat ini sedang terjadi di
atmosfer bumi14
. Cuaca dipengaruhi oleh perubahan suhu, lamanya
penyinaran matahari, kelembapan, curah hujan, angin, dan tekanan udara
yang ada di seluruh tempat di bumi dan terjadi dalam waktu yang
singkat.Sedangkan cuaca maritim adalah keadaan udara atau fenomena-
fenomena yang terdapat di laut yang terjadi pada saat tertentu dan dalam
waktu yang singkat15
. Keadaan udara atau fenomena-fenomena yang terjadi
di laut ini di pengaruhi beberapa faktor diantaranya SST (Sea Surface
Temperature) atau suhu permukaan laut, suhu udara, angin, ketinggihan
gelombang, dan fenomena hidrometeor seperti hujan. Dalam ilmu
meteorologi maritim, cuaca laut dikatakan ekstrem apabila suhu udaranya >
350C, kecepatan angin> 25 knot, ketinggihan gelombang > 2.5 meter, terjadi
hujan lebat disertai petir dan curah hujannya > 50 mm/hari16
.
1. Pengaruh Cuaca Terhadap Kondisi Laut
Angin, kelembapan udara, tekanan udara, suhu udara, dan
penyinaran matahari merupakan unsur-unsur cuaca yang sangat
mempengaruhi keadaan laut. Karena Indonesia adalah Negara kepulauan
14
Endar Setiyo Pertomo, 2013, “Perancangan Aplikasi Perkiraan Cuaca Wilayah
YogyakartaBerbasis Android”, 5 15
Ibid., 7 16
Ibid.,
9
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
10
10
dengan berbagai pulau, mengakibatkan Indonesia memiliki ketinggihan
daerah yang berbeda-beda, ketinggihan yang berbeda-beda ini
menyebabkan adanya tekanan yang berbeda pula. Tekanan sendiri
berbanding terbalik dengan suhu.
Ketika matahari menyinari daerah di Indonesia, maka lautan
akan lebih cepat mengalami pemuaian dari pada daratan sehingga suhu di
lautan menjadi lebih tinggi dari pada daratan, dan tekanan di lautan lebih
rendah dari pada di daratan. Perbedaan tekanan ini mengakibatkan
adanya angin di wilayah lautan, semakin kencang kecepatan anginnya
mengakibatkan kecepatan arus laut semakin besar dan berpotensi adanya
gelombang tinggi. Berdasarkan uraian tersebut, pengaruh signifikan dari
cuaca adalah kecepatan arus laut dan ketinggihan gelombang.
a. Arus Laut
Arus Laut adalah pergerakan densitas massa air laut yang
secara vertikal maupun horizontal melakukan perpindahan dari suatu
tempat ke tempat yang lain17
.
b. Gelombang Laut
Gelombang adalah getaran yang merambat.Gelombang
laut adalah getaran yang terjadi pada permukaan laut dengan arah
getaran naik dan turun berbentuk tegak lurus terhadap permukaan air
laut dan membentuk kurva sinusoidal18
. Adanya gelombang laut
17
M Kahfi Anshari, et.al, “Perancangan Prediktor Cuaca Maritim Berbasis Logika Fuzzy
Menggunakan User Interface Android”, 2 18
Ibid.,
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
11
11
sangat di pengaruhi oleh kecepatan angin. Pada tahun 1804, seorang
laksamana inggris membuat daftar yang berisi kecepatan angin di
wilayah lautan yang bermana Beaufort, sehingga skala kecepatan
anginnya juga dinamakan skala Beaufort. Tabel skala Beaufort akan
ditunjukkan pada tabel 1.
Tabel 1. Skala Beaufort19
Skala Kategori Va (Knot)
H (Meter)
(Maksimum)
0 Udara Tenang 0 0
1 Angin Lemah 1 – 3 0.1
2 Angin 4 – 6 0.2 (0.3)
3 Angin 7 – 10 0.6 (1.0)
4 Angin Sedang 11 – 16 1.0 (1.5)
5 Angin Segar 17 – 21 2.0 (2.5)
6 Angin Kuat 22 – 27 3.0 (4.0)
7 Angin Ribut 28 – 33 4.0 (5.5)
8 Angin Ribut Sedang 34 – 40 5.5 (7.5)
9 Angin Ribut Kuat 41 – 47 7.0 (10.0)
Keterangan :
Va (Knot) = Kecepatan angin (Knot)
H (Meter) (Maksimum) = Ketinggihan Gelombang (Meter)
(Ketinggihan Maksimum)
19
Ibid., hal 10
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
12
12
B. Curah Hujan
Curah hujan adalah jumlah air yang jatuh ketika terjadi hujan di
suatu daerah pada kurun waktu tertentu20
. Curah hujan diklasifikasikan
menjadi tiga yaitu hujan dikatakan sangat lebat jika curah hujan > 100
mm/hari, hujan dikatakan lebat jika curah hujan antara 50 – 100 mm/hari, dan
hujan dikatakan sedang jika curah hujan antara 20 – 50 mm/hari21
.
Curah hujan sangat mempengaruhi aktivitas laut khususnya para
nelayan. Ketika nelayan melakukan pelayaran di musim hujan, kemungkinan
akan terjadi hujan sangat lebat di sertai dengan petir yang biasanya dihasilkan
oleh jenis awan CB (Cumulonimbus). Karena nelayan beraktivitas
menggunakan kapal kecil, hal ini memungkinkan terjadinya kecelakaan pada
kapal nelayan. Sehingga perlunya di lakukan prediksi pola curah hujan bagi
para nelayan.
C. Data Mining
Data-data yang biasa digunakan dalam suatu penelitian memiliki
jumlah yang relatif besar, memiliki karakteristik yang berbeda-beda, dan
berasal dari berbagai sumber. Namun, data yang berjumlah besar tentu
memiliki informasi yang tersembunyi yang tidak dapat dilihat dengan kasat
mata dimana seseorang akan sulit untuk melakukan analisis dari suatu data
yang berjumlah sangat besar sehingga dibutuhkan suatu ilmu yang mampu
mempelajari informasi-informasi tersembunyi pada data tersebut dengan
21
Ibid., hal 11 21
Ibid.,
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
13
13
pembelajaran data mining. Data mining dapat diartikan sebagai suatu
pembelajaran dalam mempersiapkan data, pengolahan fitur, klasifikasi,
clustering, asosiasi, dan lain sebagainya. Data mining juga dapat diartikan
sebagai ekstraksi dari suatu informasi yang implisit, tidak dapat diketahui
dengan cara sederhana, dan memiliki potensi daya guna22
. Sehingga data
mining akan memiliki peran yang sangat penting pada suatu database yang
sangat besar yang mana dapat diketahui pola dari suatu data dengan teknik
pembelajaran mesin sebagai langkah awal pengolahan data sebelum
melakukan penelitian.
Beberapa sifat data yang dikenal dalam keilmuan data mining
diantaranya banyaknya noise dalam suatu database, data memiliki ukuran
yang besar, dan database yang dapat merupakan campuran dari berbagai
sumber yang berbeda dimana dibutuhkan pemahaman data saat preprocessing
yang berakibat pada hasil pembelajaran data tersebut terhadap hasil akhir
yang akan diperoleh. Pengenalan dari suatu data dapat dilihat dari 3 aspek
yang berbeda seperti atribut data yang akan digunakan dalam suatu
peenelitian, statistik deskriptif dari suatu data, dan untuk mengukur kesamaan
dan ketidaksamaan dari suatu data. Pengenalan data pada aspek atribut data
dilakukan untuk memahami tipe atribut suatu data yang digunakan dan untuk
membantu membetulkan data dengan beberapa cara yang dipelajari pada data
mining. Pengenalan data selanjutnya adalah statistik deskriptif, suatu data
akan dilakukan pengisian pada data yang hilang atau data yang kosong,
22
Tarigan, Avinanta., “pengenalan Sistem & Teknik, serta Contoh Aplikasi”(Data Mining, 22
November 2008), 6
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
14
14
memperhalus noise data, dan mengetahui outlier selama pemrosesan data.
Pengenalan data terakhir yaitu pada aspek mengukur kesamaan dan
ketidaksamaan data yang melakukan deteksi outlier, melakukan klasifikasi
data, dan mengukur kedekatan dari suatu data.
Pemrosesan data di awal penting dilakukan karena mempengaruhi
kualitas mining yang akan digunakan dalam suatu penelitian yang
memungkinkan data tersebut tidak lengkap dengan berisi data yang hilang
atau kosong, terdapat noise atau outlier seperti tinggi gelombang yang
bernilai negatif serta terdapatnya data yang tidak konsisten dalam arti terdapat
nilai yang memiliki tipe data yang berbeda dalam satu atribut misalnya nilai
tinggi gelombang yang dituliskan dalam tipe data rasio dan nominal.
Beberapa teknik pemrosesan data dalam pembelajaran data mining
meliputi 4 teknik diantaranya pembersihan data, integrasi data, transformasi
data, dan reduksi data. Normalisasi data termasuk dalam teknik data mining
sebagai preprocessing untuk mendapatkan hasil mining yang baik. Beberapa
syarat normalisasi data dapat dilakukan apabila data yang digunakan dalam
penelitian terdapat selisih yang besar pada jangkauan atribut satu dengan
atribut yang lainnya dimana hal ini disebabkan karena fitur yang memiliki
jangkauan yang besar dengan atribut yang lainnya akan mempengaruhi label
yang digunakan, normalisasi data dilakukan pada data numerik. Data yang
biasa digunakan dalam penelitian memiliki dua sifat yang tidak bergantung
satu sama lain dimana 2 sifat data tersebut adalah linear dan non linear. Suatu
sebaran data dikatakan linear apabila data tersebut berdistribusi normal dan
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
15
15
suatu data dikatakan non linear apabila data tersebut tidak berdistribusi
normal. Teknik normalisasi data yang digunakan dalam pembelajaran data
mining dikategorikan pada dua sifat sebaran data diatas, dimana apabila data
yang digunakan bersifat linear atau berdistribusi normal, maka teknik
normalisasi data yang dapat digunakan adalah z-score dan min-max. Untuk
cara yang pertama pada normalisasi z-score, langkah pertama yang dilakukan
adalah menghitung rata-rata pada masing-msing fitur yang diselesaikan
menggunakan persamaan 2.1 23
.
𝑥𝑘 =1
𝑁∑ 𝑥𝑖𝑘, 𝑘 = 1,2, … 𝑟 (2.1)
𝑁
𝑖=1
selanjutnya menghitung varian dengan persamaan 2.224
.
𝜎𝑘2 =
1
𝑁 − 1∑(𝑥𝑖𝑘 − 𝑥𝑘 )2
𝑁
𝑖=1
(2.2)
Kemudian hasil dari normalisasi di atas dihitung menggunakan persamaan 2.3
untuk mendapatkan fitur yang mempunyai sifat zero-mean dan unit
variance25
.
��𝑖𝑘 =𝑥𝑖𝑘 − ��𝑘
𝜎𝑘 (2.3)
Teknik normalisasi min-max adalah metode normalisasi data yang
bersifat linear dengan menskalakan jangkauan dari setiap fitur dalam
jangkauan [0,1] atau [-1,1] sehingga terdapat 2 persamaan dalam proses
23
Eko Prasetyo, Data Mining. Mengolah Data Menjadi Informasi Menggunakan Matlab
(Yogyakarta: ANDI, 2014), 18. 24
Ibid., 25
Ibid.,
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
16
16
perhitungan pada teknik min-max. Normalisasi min-max untuk jangkauan
atribut [0,1] dilakukan dengan persamaan 2.426
.
��𝑖𝑘 =𝑥𝑖𝑘 − min (𝑥𝑘)
max(𝑥𝑘) − min (𝑥𝑘) (2.4)
Sedangkan untuk skala dengan jangkauan [-1,1] dapat diselesaikan
menggunakan persamaan 2.5 berikut27
:
��𝑖𝑘 =2𝑥𝑖𝑘 − (𝑚𝑎𝑥(𝑥𝑘) + min (𝑥𝑘))
max(𝑥𝑖𝑘) − min (𝑥𝑘) (2.5)
Teknik normalisasi data yang digunakan dalam pengolahan data
pada parameter yang digunakan dalam penelitian ini menerapkan teknik
normalisasi data min-max untuk mendapatkan hasil mining di mana apabila
terdapat data yang kosong atau outlier maka akan sangat mempengaruhi hasil
penelitian dan akan berpengaruh dengan hasil error yang akan didapatkan
sebagai tolak ukur keberhasilan.
D. Fuzzy
Logika fuzzy merupakan suatu metode yang tepat untuk
menyelesaikan masalah yang dapat diaplikasikan dengan bahasa manusia
seperti baik, buruk, tinggi, rendah, dan lain sebagainya. Logika fuzzy
dikembangkan dari himpunan fuzzy yang merupakan pengelompokan sesuatu
berdasarkan variabel linguistik yang dinyatakan dalam fungsi keanggotaan
(membership function). Fungsi keanggotaan tersaji dalam sebuah kurva yang
memetakan titik-titik input data ke dalam nilai keanggotaan atau derajat
keanggotaan dengan interval antara 0 sampai 1. Jika A adalah suatu
26
Ibid., 27
Ibid.,
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
17
17
himpunan fuzzy, 𝜇𝐴 adalah suatu fungsi keanggotaan, dan X merupakan
semesta, maka fungsi keanggotaan dalam suatu himpunan fuzzy dapat
dinyatakan sebagai berikut:
𝐴 = {(𝑥, 𝜇𝐴(x) )│x ∈ X} (2.6)
Fungsi keanggotaan suatu himpunan fuzzy dapat ditentukan dengan
fungsi segitiga (Triangle), trapesium (Trapezoidal), atau fungsi Gauss
(Gaussian). Gambar berikut menunjukkan masing-masing fungsi keanggotaan
fuzzy:
Gambar 2.1. Fungsi Keanggotaan Segitiga
Gambar 2.2. Fungsi Keanggotaan Trapesium
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
18
18
Gambar 2.3. Fungsi Keanggotaan Gauss (Gaussian)
Sistem logika fuzzy yang memetakan suatu ruang input ke dalam
suatu ruang output berdasarkan aturan IF-ELSE disebut sebagai Fuzzy
Inference System (FIS). Dalam FIS terdapat lima proses, yaitu fuzzifikasi,
operasi logika fuzzy, implikasi, agregasi, dan defuzzifikasi. Gambar berikut
menunjukkan diagram proses dalam Fuzzy Inference System (FIS):
Gambar 2.4. Diagram Proses Fuzzy Inference System (FIS)
Terdapat tiga metode dalam Fuzzy Inference System (FIS), yaitu
metode Tsukamoto, metode Mamdani atau sering disebut dengan metode
Min-Max, dan Metode Sugeno.
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
19
19
E. Time Series
Time series adalah himpunan dari pengamatan xt, yang masing-
masing direkam pada waktu tertentu yaitu t. berdasarkan waktu pengamatan,
time series dibedakan menjadi dua, yaitu time series dengan waktu diskrit dan
time series dengan waktu kontinyu. Time series waktu diskrit yaitu himpunan
T0 kali pengamatan yang dilakukan dengan waktu diskrit. Sedangkan Time
series waktu kontinyu diperoleh saat pengamatan dicatat secara terus menerus
selama beberapa jarak waktu.
Time Series dapat digunakan untuk memodelkan data Time Series
sehingga dapat dilihat perilaku data lebih lanjut. Selain itu, juga berguna
untuk melakukan prediksi atau peramalan ke depan atau prakiraan jangka
pendek (short- time forecasting). Hasil dari pengolahan data time series baik
peramalan maupun memodelkan suatu pola data dapat disajikan dalam bentuk
plot dengan pola acak, tren, pergeseran tingkat, periode atau siklus,
pengamatan yang tidak biasa, atau kombinasi pola
F. Adaptive Neuro Fuzzy Inference System
Adaptive Neuro Fuzzy Inference System (ANFIS) merupakan
metode yang menggunakan jaringan syaraf tiruan sebagai implementasi dari
suatu sistem inferensi fuzzy. Metode Adaptive Neuro Fuzzy Inference System
memiliki arsitektur yang secara fungsional menyerupai arsitektur fuzzy rule
base model Sugeno. Dapat dikatakan bahwa ANFIS adalah suatu metode
yang dalam melakukan penyetelan aturan menggunakan algoritma
pembelajaran terhadap sekumpulan data. Parameter ANFIS terbagi menjadi
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
20
20
dua, yaitu parameter premis dan konsekuensi yang dapat diadaptasikan
dengan algoritma hybrid.
a. Struktur Adaptive Neuro Fuzzy Inference System
Struktur Adaptive Neuro Fuzzy Inference System (ANFIS)
ditunjukkan oleh gambar berikut:
Gambar 2.5 Struktur Metode Adaptive Neuro Fuzzy Inference System (ANFIS)
Lapisan 1: Titik-titik adaptif (parameter) dapat berubah terhadap fungsi
aktivasi. Fungsi keanggotaan yang digunakan dalam lapisan
ini berbentuk Bell (lonceng) dan Gaussian dengan hasil
berupa derajat keanggotaan.
Lapisan 2: Semua titik pada lapisan ini adalah nonadaptif, yaitu
parameternya bersifat tetap. Fungsi dari titik-titik ini adalah
mengalikan setiap sinyal masukan yang datang, sekaligus
sebagai representasi dari 𝛼-predikat.
Lapisan 3: Setiap titik nonadaptif yang menunjukkan fungsi derajat
pengaktifan ternormalisasi (normalized firing strength)
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
21
21
adalah sebuah perbandingan dari keluaran titik ke-i pada
lapisan sebelumnya.
Lapisan 4: Setiap titik pada lapisan ini merupakan titik adaptif (parameter
dapat berubah) terhadap suatu output dengan 𝛼 I adalah
normalized firing strength pada lapisan ke-3 dan parameter-
parameter pada lapisan tersebut yang merupakan consequent
parameters.
Lapisan 5: Pada lapisan ini hanya terdapat satu titik tetap yang fungsinya
untuk menjumlahkan semua masukan
b. Proses Pembelajaran Adaptive Neuro Fuzzy Inference System
Proses pembelajaran pada (ANFIS) dibagi menjadi dua, yaitu
epoch dan hybrid. Epoch adalah suatu tahap pembelajaran dengan arah
maju-mundur (forward-backward). Sedangkan hybrid merupakan suatu
tahap pembelajaran dalam ANFIS dengan arah maju (forward pass) dan
arah mundur (backward pass).
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
22
22
BAB III
METODE PENELITIAN
A. Jenis Penelitian
Penelitian tentang Prediksi Cuaca Maritim (Tinggi Gelombang,
Curah Hujan, dan Kecepatan Arus) Menggunakan Adaptive Neuro Fuzzy
Inference System Time Series Sebagai Peringatan Dini Bagi Keselamatan
Nelayan dengan mengambil studi kasus di Perairan Gresik yang termasuk
kedalam jenis penelitian terapan yang dilihat dari aspek fungsinya. Solusi dari
hasil prediksi ini bertujuan sebagai pemecahan masalah yang akan
diimplementasikan pada kondisi yang ada di lapangan. Penelitian terapan
juga dapat diartikan sebagai suatu tindakan aplikatif untuk pemecahan
masalah tertentu.
B. Analisis Kebutuhan
Cuaca maritim menjadi salah satu hal penting yang wajib
diperhatikan bagi seseorang yang bermata pencaharian sebagai nelayan atau
suatu aktivitas tertentu yang dilakukan di laut. Analisis kebutuhan ini
ditujukan untuk mengetahui keadaan yang sebenarnya dimana akan dilakukan
suatu prediksi cuaca laut untuk meminimalisir terjadinya kecelakaan laut.
Analisis kebutuhan tersebut terbagi menjadi 2, diantaranya:
1. Observasi permasalahan yang akan dikaji dan melakukan studi pada
permasalahan tersebut. Proses observasi yang dilakukan adalah
mengevaluasi bagaimana para nelayan mengambil tindakan untuk
melakukan pelayaran di laut yang hanya didasarkan oleh asumsi
22
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
23
23
individu, dimana hal tersebut tidak didasarkan secara ilmiah dan
menyebabkan keadaaan buruk yang akan terjadi di laut tidak dapat
dihindari. Studi permasalahan tersebut mengacu pada faktor-faktor
ilmiah yang mempengaruhi dinamika cuaca laut yang tidak diketahui
oleh para nelayan, dari permasalahan tersebut maka akan dilakukan
Prediksi Cuaca Maritim (Tinggi Gelombang, Curah Hujan, dan
Kecepatan Arus) Menggunakan Adaptive Neuro Fuzzy Inference System
Time Series Sebagai Peringatan Dini Bagi Keselamatan Nelayan dengan
mengambil studi kasus di Perairan Gresik.
2. Selanjutnya melakukan studi literatur yang berfokus pada permasalahan
diatas. Studi literatur ini bertujuan agar peneliti lebih memahami konsep
permasalahan yang berkaitan dengan parameter dan metode yang akan
diaplikasikan untuk mencapai hasil yang maksimal.
C. Pengujian dan Evaluasi
Pengujian pertama yang dilakukan mengacu pada analisis time
series terhadap parameter-parameter yang digunakan dan diselesaikan
menggunakan bahasa pemrograman MATLAB. Di mana dalam pengujian
tersebut data yang dianalisa secara time series harus memiliki jumlah yang
sama dengan jumlah data yang digunakan. Pengujian dapat bernilai baik jika
memiliki keakuratan yang tinggi. Selanjutnya hasil pengujian tersebut dapat
dievaluasi terhadap keadaan nyata yang terjadi di lapangan.
Sebagai dasar penelitian untuk prediksi cuaca maritim sebagai
peringatan dini bagi keselamatan nelayan di perairan Gresik, data yang
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
24
24
diperoleh sejumlah 8760 data (1 Januari 2016 sampai 31 Desember 2016)
dibagi menjadi dua bagian data. Bagian pertama digunakan sebagai data
training Ts-Anfis dari 1 januari 2016 sampai 30 September 2016 dan bagian
kedua dijadikan sebagai data testing mulai dari 1 Oktober 2016 sampai 31
Desember 2016. Dalam mencapai tujuan penelitian ini, perlu langkah-langkah
secara urut dan sistematis, adapun Gambar 2 merupakan representasi dari
diagram alir mulai dari pengambilan data, sampai dengan ANFIS berdata time
series.
Detail flowchart:
Gambar 3.1 Diagram Aliran Data
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
25
25
Berikut adalah langkah-langkah dari diagram alir:
a. Data cuaca maritim berupa data ketinggian gelombang, curah hujan, dan
data kecepatan arus selama satu tahun terakhir per jam.
b. Data yang sudah diperoleh kemudian di olah ke dalam data time series
dengan memperhatikan variabel input dan variabel output. Kemudian
data di bagi menjadi dua bagian yaitu sekitar 75 % digunakan sebagai
data training dan sekitar 25% digunakan sebagai data testing.
c. Keseluruhan data yang sudah di olah ke dalam data time series di olah
dengan menggunakan metode ANFIS Time Series menggunakan
MATLAB.
d. Pada proses awal ANFIS yang dilakukan yaitu membentuk struktur
ANFIS yang digunakan yaitu menggunakan genfis1.
e. Melakukan training ANFIS dengan memasukkan data training yang ada.
f. Setelah didapatkan parameter-parameter ANFIS yang optimal, yaitu
dengan adanya error terkecil yang didapatkan dari Ts-Anfis menunjukkan
bahwa data mendekati akurat.
g. Tahap Testing ANFIS yaitu dengan memasukkan data testing dan hasil
prediksipun didapatkan.
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
26
26
BAB IV
HASIL PENELITIAN
A. Penyajian Data
Prediksi cuaca maritim membutuhkan model matematis yang
disebut dengan data berkala (time series). Data prediksi yang difokuskan
dalam penelitian ini adalah data kecepatan arus, curah hujan dan ketinggian
gelombang yang disusun berdasarkan urutan waktu dalam beberapa periode
untuk mengukur perubahan dalam betuk deretan waktu tertentu. Data
kecepatan arus dan ketinggian gelombang diakumulasi setiap jamnya mulai 1
Januari sampai 31 Desember 2016, berikut adalah sampel data dari kecepatan
arus dan ketinggian gelombang yang di representasikan pada tabel 2:
Tabel 4.1. Sampel Data Kecepatan Arus dan ketinggian Gelombang
Date (Time) CuSpd(cm/s) HTot(m)
1/1/2016 (00.00) 6.54 0.31
1/1/2016 (01.00) 5.65 0.31
1/1/2016 (02.00) 4.76 0.31
1/1/2016 (03.00) 3.88 0.31
1/1/2016 (04.00) 2.99 0.32
1/1/2016 (05.00) 2.1 0.32
1/1/2016 (06.00) 1.21 0.32
1/1/2016 (07.00) 1.01 0.33
1/1/2016 (08.00) 0.81 0.33
1/1/2016 (09.00) 0.61 0.34
1/1/2016 (10.00) 0.41 0.35
1/1/2016 (11.00) 0.21 0.35
1/1/2016 (12.00) 0.02 0.36
1/1/2016 (13.00) 0.16 0.37
1/1/2016 (14.00) 0.3 0.37
1/1/2016 (15.00) 0.45 0.38
1/1/2016 (16.00) 0.6 0.39
1/1/2016 (17.00) 0.74 0.4
1/1/2016 (18.00) 0.89 0.4
26
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
27
27
Dan data curah hujan diakumulasi setiap hari mulai 1 Januari
sampai 31 Desember 2016, berikut adalah sampel data dari curah hujan yang
di representasikan pada tabel 3:
Tabel 4.2. Sampel Data Curah Hujan
No Tanggal Curah Hujan
1. 01/01/2016 16.4
2. 02/01/2016 1.6
3. 03/01/2016 8.3
4. 04/01/2016 64
5. 05/01/2016 9999
6. 06/01/2016 8888
7. 07/01/2016 9999
8. 08/01/2016 0
9. 09/01/2016 0
10. 10/01/2016 9999
11. 11/01/2016 0
12. 12/01/2016 9999
13. 13/01/2016 8888
14. 14/01/2016 1
15. 15/01/2016 0
16. 16/01/2016 8888
17. 17/01/2016 9999
18. 18/01/2016 9999
19. 19/01/2016 0
20. 20/01/2016 0
Tabel 3 menunjukkan data curah hujan memiliki jangkauan yang
sangat jauh, sehingga dalam penelitian ini di gunakan metode normalisasi
data mining menggunakan min-max methods. Normalisasi dilakukan agar
hasil prediksi curah hujan mendekati nilai yang sebenarnya dan
mendapatkankan error seminimal mungkin.
Sebelum data digunakan dalam proses pelatihan Ts-Anfis (Anfis
Time Series). Data dibagi dalam dua bagian, 75% digunakan sebagai data
training (1 Januari 2016 sampai 30 September 2016) dan 25% sebagai data
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
28
28
testing (1 Oktober 2016 sampai 31 Desember 2016). Setelah data dibagi
menjadi dua bagian, data diubah ke dalam bentuk time series yang nantinya
digunakan sebagai variabel input berupa data dari dua jam sebelumnya, satu
jam sebelumnya dan data pada jam tersebut (𝑡 – 2 , – 1 , dan 𝑡) dan variabel
output berupa hasil prediksi untuk satu jam kedepan, enam jam kedepan, dua
belas jam kedepan dan satu hari kedepan (𝑡 + 1, 𝑡 + 6, 𝑡 + 12, dan 𝑡 + 24)
pada prediksi kecepatan arus, curah hujan dan ketinggian gelombang.
Sedangkan untuk prediksi curah hujan, variabel input berupa data dua hari
sebelumnya, data satu hari sebelumnya, dan data pada hari tersebut (ℎ −
2, ℎ − 1, ℎ)dan variabel output berupa hasil prediksi curah hujan untuk satu
hari kedepan (ℎ + 1).
B. Hasil
1. Kecepatan Arus
Variabel cuaca maritim pada penelitian ini adalah kecepatan
arus laut. Pada perancangan ini terdapat 3 variabel input yaitu kecepatan
arus 2 jam sebelumnya 𝑣(𝑡 − 2), 1 jam sebelumnya 𝑣(𝑡 − 1), dan saat itu
(𝑡), serta output yang dihasilkan adalah prediksi kecepatan arus satu jam
𝑣(𝑡 + 1) , enam jam 𝑣(𝑡 + 6) , dua belas jam 𝑣(𝑡 + 12) dan sehari
kedepan 𝑣(𝑡 + 24) . Fungsi ANFIS pada penelitian ini menggunakan
genfis 1 yaitu menggunakan keanggotaan jenis ‘gaussmf’ dengan jumlah
membership function sebanyak 2 dan 3 dan dilakukan sebanyak 100 kali
iterasi. Pada genfis 1 perubahan jumlah iterasi tidak akan mempengaruhi
nilai error, sehingga peneliti hanya menentukan 100 kali iterasi.
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
29
29
Pada penelitian ini, fungsi anfis menggunakan 2 membership
function dan 3 membership function sehingga dapat dilihat nantinya hasil
paling optimal untuk prediksi kecepatan arus menggunakan fungsi ANFIS
dengan genfis 1 adalah dengan menggunakan 2 membership function atau
3 membership function.dan target error dalam prediksi kecepatan arus
menggunakan Error Mean dengan persamaan 4.1 dan 4.2.
𝑒𝑟𝑟 = (𝑌 𝑎𝑛𝑓𝑖𝑠 − 𝑌 𝑑𝑎𝑡𝑎) (4.1)
𝑒𝑟𝑟𝑜𝑟 𝑚𝑒𝑎𝑛 = |(∑𝑒𝑟𝑟)/𝑛|, dengan n = jumlah keseluruhan data(4.2)
Selanjutnya pengujian prediksi kecepatan arus akan
direpresentasikan pada Gambar 3 s/d Gambar 4.
Gambar 4.1. Hasil ANFIS dengan menggunakan MATLAB
Dalam penelitian ini, menggunakan genfis 1 untuk
memprediksi kecepatan arus. Sehingga klik Grid Prtitioning (genfis 1).
Selanjutnya isi kolom Number of MF’s dengan ‘2’, isi Input MF Type
dengan ‘gaussmf’ dan Output MF Type dengan ‘linear’ yang artinya
penelitian ini menggunakan 2 membership function berbentuk gaussmf
dan outputnya berupa linear.
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
30
30
Gambar 4.2. Mengisi Parameter ANFIS Generation Methods dari genfis 1
Dan hasil prediksi kecepatan arus menggunakan metode ANFIS
dengan genfis 1 akan direpresentasikan pada Gambar 5 s/d Gambar 12
dimana sumbu x menunjukkan waktu dan sumbu y menunjukkan
kecepatan arus.
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
31
31
Gambar 4.3. Grafik Hasil Prediksi Kecepatan Arus Satu Jam Kedepan dengan Number of
MF’s Sebanyak ‘2’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
32
32
Gambar 4.4. Grafik Hasil Prediksi Kecepatan Arus Enam Jam Kedepan dengan Number of
MF’s Sebanyak ‘2’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
33
33
Gambar 4.5. Grafik Hasil Prediksi Kecepatan Arus Dua Belas Jam Kedepan dengan Number
of MF’s Sebanyak ‘2’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
34
34
Gambar 4.6. Grafik Hasil Prediksi Kecepatan Arus Satu Hari Kedepan dengan Number of
MF’s Sebanyak ‘2’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
35
35
Gambar 4.7. Grafik Hasil Prediksi Kecepatan Arus Satu Jam Kedepan dengan Number of
MF’s Sebanyak ‘3’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
36
36
Gambar 4.8. Grafik Hasil Prediksi Kecepatan Arus Enam Jam Kedepan dengan Number of
MF’s Sebanyak ‘3’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
37
37
Gambar 4.9. Grafik Hasil Prediksi Kecepatan Arus Duabelas Jam Kedepan dengan
Number of MF’s Sebanyak ‘3’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
38
38
Gambar 4.10. Grafik Hasil Prediksi Kecepatan Arus Satu Hari Kedepan dengan Number of
MF’s Sebanyak ‘3’
2. Curah Hujan
Variabel cuaca maritim pada penelitian ini adalah Curah Hujan.
Pada perancangan ini terdapat 3 variabel input yaitu curah hujan 2 hari
sebelumnya 𝑐(ℎ − 2), 1 hari sebelumnya 𝑐(ℎ − 1), dan saat itu (ℎ), serta
output yang dihasilkan adalah prediksi curah hujan satu hari kedepan
𝑐(ℎ + 1). Fungsi ANFIS pada penelitian ini menggunakan genfis 1 yaitu
menggunakan keanggotaan jenis ‘gaussmf’ dengan jumlah membership
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
39
39
function sebanyak 2 dan 3 dan dilakukan sebanyak 100 kali iterasi. Pada
genfis 1 perubahan jumlah iterasi tidak akan mempengaruhi nilai error,
sehingga peneliti hanya menentukan 100 kali iterasi.
Pada penelitian ini, fungsi anfis menggunakan 2 membership
function dan 3 membership function sehingga dapat dilihat nantinya hasil
paling optimal untuk prediksi curah hujan menggunakan fungsi ANFIS
dengan genfis 1 adalah dengan menggunakan 2 membership function atau
3 membership function.dan target error dalam prediksi curah hujan
menggunakan Error Mean dengan persamaan 4.1 s/d 4.3.
𝑒𝑟𝑟 = (𝑌 𝑎𝑛𝑓𝑖𝑠 − 𝑌 𝑑𝑎𝑡𝑎) (4.1)
𝑀𝑆𝐸 = (∑▒〖(𝑒𝑟𝑟^2)〗)/𝑛 (4.2)
𝑅𝑀𝑆𝐸 = √𝑀𝑆𝐸, dengan n = jumlah keseluruhan data (4.3)
Selanjutnya pengujian prediksi curah hujan akan
direpresentasikan pada Gambar 4.11 s/d Gambar 4.12 sebagai berikut:
Gambar 4.11. Hasil ANFIS dengan menggunakan MATLAB
Dalam penelitian ini, menggunakan genfis 1 untuk
memprediksi curah hujan Sama seperti prediksi kecepatan arus, klik Grid
Prtitioning (genfis 1). Selanjutnya isi kolom Number of MF’s dengan ‘2’,
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
40
40
isi Input MF Type dengan ‘gaussmf’ dan Output MF Type dengan ‘linear’
yang artinya penelitian ini menggunakan 2 membership function
berbentuk gaussmf dan outputnya berupa linear.
Gambar 4.12. Mengisi Parameter ANFIS Generation Methods dari genfis 1
Dan hasil prediksi curah hujan menggunakan metode ANFIS
dengan genfis 1 akan direpresentasikan pada Gambar 15 dan Gambar 16
dimana sumbu x menunjukkan waktu dan sumbu y menunjukkan curah
hujan.
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
41
41
Gambar 4.13. Grafik Hasil Prediksi Curah Hujan Satu Hari Kedepan dengan Number of
MF’s Sebanyak ‘2’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
42
42
Gambar 4.14. Grafik Hasil Prediksi Curah Hujan Satu Hari Kedepan dengan Number of
MF’s Sebanyak ‘3’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
43
43
3. Ketinggian Gelombang
Variabel cuaca maritim pada penelitian ini adalah ketinggian
gelombang. Pada perancangan ini terdapat 3 variabel input yaitu
ketinggian gelombang 2 jam sebelumnya ℎ(𝑡 − 2), 1 jam sebelumnya
ℎ(𝑡 − 1), dan saat itu (𝑡), serta output yang dihasilkan adalah prediksi
ketinggian gelombang satu jam ℎ(𝑡 + 1), enam jam ℎ(𝑡 + 6), dua belas
jam ℎ(𝑡 + 12) dan sehari kedepan ℎ(𝑡 + 24) . Fungsi ANFIS pada
penelitian ini menggunakan genfis 1 yaitu menggunakan keanggotaan
jenis ‘gaussmf’ dengan jumlah membership function sebanyak 2 dan 3
dan dilakukan sebanyak 100 kali iterasi. Pada genfis 1 perubahan jumlah
iterasi tidak akan mempengaruhi nilai error, sehingga peneliti hanya
menentukan 100 kali iterasi.
Pada penelitian ini, fungsi anfis menggunakan 2 membership
function dan 3 membership function sehingga dapat dilihat nantinya hasil
paling optimal untuk prediksi ketinggian gelombang menggunakan fungsi
ANFIS dengan genfis 1 adalah dengan menggunakan 2 membership
function atau 3 membership function.dan target error dalam prediksi
ketinggian gelombang menggunakan Error Mean dengan persamaan 4.1
dan 4.2.
𝑒𝑟𝑟 = (𝑌 𝑎𝑛𝑓𝑖𝑠 − 𝑌 𝑑𝑎𝑡𝑎) (4.1)
𝑒𝑟𝑟𝑜𝑟 𝑚𝑒𝑎𝑛 = (∑▒𝑒𝑟𝑟)/𝑛, dengan n = jumlah keseluruhan data (4.2)
Selanjutnya pengujian prediksi ketinggian gelombang akan
direpresentasikan pada Gambar 17 s/d Gambar 18.
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
44
44
Gambar 4.15. Hasil ANFIS dengan menggunakan MATLAB
Dalam penelitian ini, menggunakan genfis 1 untuk
memprediksi ketinggian gelombang. Sehingga klik Grid Prtitioning
(genfis 1). Selanjutnya isi kolom Number of MF’s dengan ‘2’, isi Input
MF Type dengan ‘gaussmf’ dan Output MF Type dengan ‘linear’ yang
artinya penelitian ini menggunakan 2 membership function berbentuk
gaussmf dan outputnya berupa linear.
Gambar 4.16. Mengisi Parameter ANFIS Generation Methods dari genfis 1
Dan hasil prediksi ketinggian gelombang menggunakan metode
ANFIS dengan genfis 1 akan direpresentasikan pada Gambar 19 s/d
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
45
45
Gambar 26 dimana sumbu x menunjukkan waktu dan sumbu y
menunjukkan ketinggian gelombang.
Gambar 4.17. Grafik Hasil Prediksi Ketinggian Gelombang Satu Jam Kedepan dengan
Number of MF’s Sebanyak ‘2’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
46
46
Gambar 4.18. Grafik Hasil Prediksi Ketinggian Gelombang Enam Jam Kedepan dengan
Number of MF’s Sebanyak ‘2’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
47
47
Gambar 4.19. Grafik Hasil Prediksi Ketinggian Gelombang Dua Belas Jam Kedepan dengan
Number of MF’s Sebanyak ‘2’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
48
48
Gambar 4.20. Grafik Hasil Prediksi Ketinggian Gelombang Satu Hari Kedepan dengan
Number of MF’s Sebanyak ‘2’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
49
49
Gambar 4.21. Grafik Hasil Prediksi Ketinggian Gelombang Satu Jam Kedepan
dengan Number of MF’s Sebanyak ‘3’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
50
50
Gambar 4.22. Grafik Hasil Prediksi Ketinggian Gelombang Enam Jam Kedepan dengan
Number of MF’s Sebanyak ‘3’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
51
51
Gambar 4.23. Grafik Hasil Prediksi Ketinggian Gelombang Duabelas Jam Kedepan dengan
Number of MF’s Sebanyak ‘3’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
52
52
Gambar 4.24. Grafik Hasil Prediksi Ketinggian Gelombang Satu Hari Kedepan dengan
Number of MF’s Sebanyak ‘3’
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
53
53
BAB V
PEMBAHASAN DAN DISKUSI PENELITIAN
A. Pembahasan
1. Kecepatan Arus
Berdasarkan hasil pengujian pada Gambar 5 s/d Gambar 12,
dapat dilihat bahwa grafik prediksi dari data uji (warna biru) dengan data
Ts-Anfis (warna hijau) memiliki kecenderungan yang sama dengan data
uji. Pada kasus ini Ts-Anfis untuk satu jam kedepan sampai satu hari
kedepan tampak sama dan didapatkan hasil bahwa prediksi kecepatan
arus laut dengan menggunakan Ts-Anfis menghasilkan nilai mean error
yang relatif kecil sebagaimana yang direpresentasikan pada tabel 3.
Tabel 5.1. Nilai-nilai Prediksi Kecepatan Arus
No Waktu
Prediksi
(kedepan)
Jumlah
Data
Validasi
Hasil
Prediksi
Kecepatan
Arus
dengan 2
Mf
Nilai
Error
Mean
dengan 2
Mf
Hasil
Prediksi
Kecepatan
Arus
dengan 3 Mf
Nilai
Error
Mean
dengan 3
Mf
1 1 Jam 2190 16.97327 0.12993 12.5968 0.36414
2 6 Jam 2190 13.22302 1.5758 12.2798 1,4212
3 12 Jam 2190 10.21107 1.3182 10.5245 1,2122
4 24 Jam 2190 14.09871 0.82613 14.0586 7,7914
Dari hasil tabel 5.1, nilai error mean terkecil untuk prediksi
kecepatan arus 1 jam kedepan, lebih bagus menggunakan fungsi
53
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
54
54
keanggotaan sejumlah 2, untuk prediksi kecepatan arus 6 jam kedepan,
lebih bagus menggunakan fungsi keanggotaan sejumlah 3, untuk prediksi
kecepatan arus 12 jam kedepan, lebih bagus menggunakan fungsi
keanggotaan sejumlah 3, dan untuk prediksi kecepatan arus 1 hari
kedepan, lebih bagus menggunakan fungsi keanggotaan sejumlah 2. Akan
tetapi, prediksi kecepatan arus dengan fungsi keanggotaan sejumlah 2
secara komulatif lebih bagus dan lebih optimal dari pada menggunakan
fungsi keanggotaan sejumlah 3.
Dari hasil tabel 5.1, nilai error mean terkecil adalah 0.12993,
nilai ini mengidentifikasikan bahwa model ini sangat baik untuk
memprediksi satu jam kedepan dan hasilnya lebih akurat dibandingkan
prediksi kecepatan arus satu hari kedepan. Hal ini terjadi karena pola data
time series berhubungan dengan interval waktu atau jangkauan data
sehingga prediksi cuaca maritim ini hanya dapat digunakan untuk
melakukan forecasting dalam waktu singkat.
2. Curah Hujan
Berdasarkan hasil pengujian pada Gambar 15 s/d Gambar 16,
dapat dilihat bahwa grafik prediksi dari data uji (warna biru) dengan data
Ts-Anfis (warna hijau) memiliki kecenderungan yang sama dengan data
uji. Pada kasus ini Ts-Anfis untuk satu hari kedepan tampak sama dan
didapatkan hasil bahwa prediksi curah hujan laut dengan menggunakan
Ts-Anfis menghasilkan nilai RMSE yang relatif kecil sebagaimana yang
direpresentasikan pada tabel 5.2
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
55
55
Tabel 5.2. Nilai-nilai Prediksi Curah Hujan
No Waktu
Prediksi
(kedepan)
Prediksi
Curah
Hujan
dengan 2
Mf
Nilai
RMSE
dengan 2
Mf
Prediksi
Curah
Hujan
dengan 3
Mf
Nilai
RMSE
dengan 3
Mf
1 1 Hari 1.60724 0.57819 7.7072 2.0314
3. Ketinggian Gelombang
Berdasarkan hasil pengujian dan prediksi pada Gambar 19 s/d
Gambar 26, dapat dilihat bahwa grafik prediksi dari data uji (warna biru)
dengan data prediksi Ts-Anfis (warna hijau) tidak memiliki perbedaan yang
signifikan. Pada kasus ini Ts-Anfis untuk satu jam kedepan sampai satu hari
kedepan tampak sama dan didapatkan hasil bahwa prediksi ketinggian
gelombang laut dengan menggunakan Ts-Anfis menghasilkan nilai-nilai
error yang relatif kecil sebagaimana direpresentasikan pada tabel 5.3.
Tabel 5.3. Nilai-nilai Prediksi Ketinggian Gelombang
No Waktu
Prediksi
(kedepan)
Jumlah
Data
Validasi
Prediksi
Ketinggian
Gelombang
dengan 2
Mf
Nilai
Error
Mean
dengan 2
Mf
Prediksi
Ketinggian
Gelombang
dengan 3
Mf
Nilai
Error
Mean
dengan 3
Mf
1 1 Jam 2190 0.45554 0.0012247 0.6616 0.1971
2 6 Jam 2190 0.48286 0.018619 0.6174 0.14431
3 12 Jam 2190 0.46395 0.046584 0.5977 0.14615
4 24 Jam 2190 0.54571 0.060206 0.5547 0.043252
Dari hasil tabel 5.3, nilai error mean terkecil untuk prediksi
ketinggian gelombang 1 jam kedepan, lebih bagus menggunakan fungsi
keanggotaan sejumlah 2, untuk prediksi ketinggian gelombang 6 jam
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
56
56
kedepan, lebih bagus menggunakan fungsi keanggotaan sejumlah 2, untuk
prediksi ketinggian gelombang 12 jam kedepan, lebih bagus menggunakan
fungsi keanggotaan sejumlah 2, dan untuk prediksi k ketinggian
gelombang 1 hari kedepan, lebih bagus menggunakan fungsi keanggotaan
sejumlah 3. Akan tetapi, prediksi ketinggian gelombang dengan fungsi
keanggotaan sejumlah 2 secara komulatif lebih bagus dan lebih optimal
dari pada menggunakan fungsi keanggotaan sejumlah 3.
Dari hasil tabel 5.3, nilai error mean terkecil adalah 0.0012247,
nilai ini mengidentifikasikan bahwa model ini sangat baik untuk
memprediksi satu jam kedepan dan hasilnya lebih akurat dibandingkan
prediksi ketinggian gelombang satu hari kedepan. Sama halnya dengan
kecepatan arus, hal ini terjadi karena pola data time series berhubungan
dengan interval waktu atau jangkauan data. Semakin kecil interval waktu
atau beda jangkauan data maka hasil yang didapatkan juga semakin akurat,
dan sebaliknya sehingga prediksi cuaca maritim ini hanya dapat digunakan
untuk mem-forecast dalam waktu singkat.
4. Analisis Kelayakan Pelayaran
Dari hasil prediksi yang dihasilkan Ts-Anfis menunjukkan
bahwa prediksi kecepatan arus pada satu jam, 6 jam, 12 jam dan 24 jam
mendatang masing-masing adalah 16.97327 cm/s; 13.22302 cm/s;
10.21107 cm/s; 14.09871 cm/s; dan prediksi curah hujan untuk satu hari
adalah 1.60724 mm/hari dengan ketinggian gelombang mencapai 0.45554
m; 0.48286 m; 0.46395 m; 0.54571 m untuk waktu 1 jam, 6 jam, 12 jam
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
57
57
dan 24 jam. Dengan demikian, pada 1 Januari 2017 perairan jawa
terutama bagian Gresik dalam kondisi aman dan layak untuk dilakukan
pelayaran karena baik kecepatan arus, curah hujan maupun ketinggian
gelombang masih dalam batas kewajaran. Namun demikian, masih perlu
kewaspadaan terhadap kecepatan arus pada 6 dan 12 jam ke depan
mengingat mean error hasil prediksi relatif lebih besar jika dibandingkan
dengan error mean untuk kondisi 1 jam dan 24 jam.
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
58
58
BAB VI
PENUTUP
A. Kesimpulan
Berdasarkan penelitian yang telah dilakukan, diperoleh kesimpulan
sebagai berikut:
1. Menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS)
Time Series diperoleh hasil prediksi cuaca maritim pada perairan Gresik
sebagai berikut:
a. Untuk kecepatan arus, dengan menggunakan Membership Function
(MF) 2 diperoleh hasil prediksi pada 1 jam, 6 jam, 12 jam, dan 24
jam mendatang masing-masing adalah 16.97327 cm/s, 13.22302
cm/s, 10.21107 cm/s, dan 14.09871 cm/s. Sedangkan untuk
Membership Function (MF) 3 diperoleh hasil prediksi pada 1 jam, 6
jam, 12 jam, dan 24 jam mendatang masing-masing adalah 12.5968
cm/s, 12.2798 cm/s, 10.5245cm/s, dan 14.0586 cm/s.
b. Untuk curah, dengan menggunakan Membership Function (MF) 2
diperoleh hasil prediksi untuk satu hari adalah 1.60724 mm/hari.
c. Untuk ketinggian gelombang, dengan menggunakan Membership
Function (MF) 2 diperoleh hasil prediksi pada 1 jam, 6 jam, 12 jam,
dan 24 jam 0.45554 m, 0.48286 m, 0.46395 m, dan 0.54571 m.
Sedangkan untuk Membership Function (MF) 3 diperoleh hasil
prediksi pada 1 jam, 6 jam, 12 jam, dan 24 jam mendatang masing-
masing adalah 0.6616 m, 0.6174 m, 0.5977 m, dan 0.5547m.
58
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
59
59
2. Dari hasil prediksi yang dihasilkan Ts-Anfis menunjukkan prediksi
kecepatan arus, curah hujan, dan tinggi gelombang pada satu jam, 6 jam,
12 jam dan 24 jam mendatang pada tanggal 1 Januari 2017 di perairan
jawa terutama bagian Gresik dalam kondisi aman dan layak untuk
dilakukan pelayaran karena baik kecepatan arus, curah hujan maupun
ketinggian gelombang masih dalam batas kewajaran.
B. Rekomendasi
Rekomendasi untuk penelitian lebih lanjut dapat dikembangkan
lebih dalam lagi dengan mengaplikasikan hasil prediksi yang telah diperoleh
dalam bentuk graphic interface atau dalam bentuk display agar hasil yang
telah diperoleh menjadi lebih komunikatif dengan masyarakat untuk
mempertimbangkan apakah pada cuaca dengan parameter tersebut dapat
dilakukan pelayaran atau tidak. Hal ini menjadi salah satu hal yang penting
mengingat banyaknya kejadian kecelakaan yang diakibatkan oleh kondisi
cuaca laut yang tidak dapat dianalisis secara sederhana.
Perkembangan lain yang dapat dilakukan adalah penambahan
parameter seperti pasang surut dan beberapa parameter lain yang
berhubungan dengan faktor penentu cuaca pada jalur laut. Sehingga apabila
banyak faktor yang dipertimbangkan pada prediksi cuaca laut maka akan
mendekati dengan keadaan sebenarnya sebagai pratinjau sebelum melakukan
perjalanan pada jalur laut.
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
60
60
DAFTAR PUSTAKA
Anshari, M. K., Arifin, S., & Rahmadiansah, a. (2013). Perancangan Prediktor
Cuaca Maritim Berbasis Logika Fuzzy Menggunakan User Interface
Android. JURNAL TEKNIK POMITS, 2(2), 2.
Arvinata, T. (2008). Pengenalan Sistem dan Teknik, serta Contoh Aplikasi Data
Mining.
Chang, H.-K., & Chien, W.-A. (2006). A Fuzzy-Neural Hybrid System of
simulating Typhoon Waves. Coastal Enginering, ScienceDirect, 737-748.
Habibullah, N. W., Arifin, S., & Widijiantoro, B. L. (2012). Perancangan Sistem
Prediktor Cuaca Maritim dengan Menggunakan Metode Fuzzy Takagi
Sugeno. JURNAL TEKNIK POMITS, 1(1), 1.
Imam Wahyudiyanta, 2017, “Dua Korban Kapal Nelayan Lamongan yang Hilang
Belum ditemukan”,(https://news.detik.com/berita-jawa-timur/d-
3415617/dua-korban-kapal-nelayan-lamongan-yang-hilang-belum-
ditemukan, diakses 26 Maret 2017)
M Yakub, 2016, “Nelayan Tidak Melaut, Ikan Laut Segar Langka”,
(https://news.detik.com/media-
Indonesia/Nelayan_tidak_melaut_ikan_laut_segar_langka, diakses 12
Maret 2017)
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
61
61
M. Muthohar. (2017). Geger Nelayan Tuban Tewas di
Pantai.http://beritajatim.com/peristiwa/290711/geger_nelayan_tuban_tewa
s_di_pantai.html. Diakses 26 Maret 2017.
Nanang Masyhari, 2016, “Cari Udang Lobster, Nelayan Trenggalek Tewas
Terseret Ombak”,
(http://beritajatim.com/peristiwa/279938/cari_udang_lobster,_nelayan_tre
nggalek__tewas_terseret_ombak.html.diakses 12 Maret 2017)
P, A. H., Arifin, S., & Aisyah, A. S. (2010). Perancangan Sistem Informasi Cuaca
Maritim untuk Para Nelayan Jawa Timur dengan Media Komunikasi Short
Message Service. 1.
Pertomo, E. S. (2013). Perancangan Aplikasi Perkiraan Cuaca Wilayah
Yogyakarta Berbasis Android. 5.
Prasetyo, E. (2014). Data Mining, Mengelola Data Menjadi Informasi
Menggunakan Matlab. Yogyakarta: ANDI Yogyakarta.
Sharma, S., & Chouhan, M. (2014). A Review : Fuzzy Time Series Model for
Forecasting. International Journal of Advances in Science and Technology
(IJAST), 2(3), 1.
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
62
62
Rindi Suwito, “Dua Nelayan Banyuwangi Hilang di Laut Situbondo”,
(http://beritajatim.com/peristiwa/289481/dua_nelayan_banyuwangi_hilang
_di_laut_situbondo.html, diakses 26 Maret 2017)
Rindi Suwito, 2017, “Nelayan Hilang, TRC BPBD Banyuwangi Sisir Selat Bali”
(http://beritajatim.com/peristiwa/289523/nelayan_hilang,_trc_bpbd_banyu
wangi_sisir_selat_bali.html, diakses 12 Maret 2017)
Temmy P, 2017, “Cuaca Ekstrem, Nelayan Sumenep ‘Nganggur”,
(http://beritajatim.com/peristiwa/289521/cuaca_ekstrem,_nelayan_sumene
p_'nganggur'.html, diakses 12 Maret 2017)
digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id
REKTOR UIN SUNAN AMPEL SURABAYA,
a. bahwa dalam rangka menindaklanjuti Keputusan Rektor UIN Sunan Ampel Surabaya Nomor : Un.07 / 1/TL.OO/SK/670/P/2016 tentang Penundaan Bantuan Penelitian Pemula Individual, Pemula Kolektif, Unggulan Interdisipliner dan Unggulan Multiyears Tahun 2016;
b. bahwa dalam rangka menunjang pelaksanaan penelitian Pemula Individual, Pemula Kolektif, Madya Individual, Madya Kolektif, Unggulan Interdisipliner, Unggulan Multiyears, Unggulan Internasional dan Penelitian Kelembagaan tahun 2017 UIN Sunan Ampel Surabaya, perlu memberikan bantuan penelitian dimaksud;
c. bahwa mereka yang namanya tercantum dalam Lampiran Keputusan ini, dipandang memenuhi syarat untuk diberikan bantuan penelitian;
d. bahwa berdasarkan pertimbangan huruf a, b dan c diatas, perlu menetapkan Keputusan Rektor UIN Sunan Ampel Surabaya tentang Penerima Bantuan Penelitian Tahun 2017 UIN Sunan Ampel Surabaya;
1. Undang-undang Nomor 12 Tahun 2012 tentang Pendidikan Tinggi; 2. Peraturan Pemerintah Nomor 4 Tahun 2014 tentang
Penyelenggaraan Pendidikan Tinggi dan Pengelolaan Perguruan Tinggi;
3. Peraturan Menteri Agama Nomor 8 Tahun 2014 ten tang Organisasi dan Tata Kerja Universitas Islam Negeri Sunan Ampel Surabaya;
4. Peraturan Menteri Agama Nomor 55 Tahun 2014 tentang Penelitian dan Pengabdian kepada Masyarakat pada Perguruan Tinggi Keagamaan;
5. Peraturan Menteri Riset, Teknologi dan Pendidikan Tinggi Nomor 44 Tahun 2015 tentang Standar Nasional Pendidikan Tinggi;
6. Peraturan Menteri Riset, Teknologi dan Pendidikan Tinggi Nomor 62 Tahun 2016 tentang Sistem Penjaminan Mutu Pendidikan Tinggi.
7. Keputusan Direktur Jenderal Pendidikan Islam No. 1056 Tahun 2017 tentang Panduan Umum Perencanaan, Pelaksanaan dan Pelaporan Penelitian Pada Perguruan Tinggi Keagamaan Islam.
KEPUTUSAN REKTOR UIN SUNAN AMPEL SURABAYA NOMOR 269 TAHUN 2017
TENTANG PENERIMA BANTUAN PENELITIAN
TAHUN 2017 UIN SUNAN AMPEL SURABAYA
UIN SUNAN AMPEL SURABAYA
Mengingat
Menimbang
Tembusan: 1. Direktur Jenderal Pendidikan Agama Islam Kementerian Agama RI, Jakarta; 2. Wakil Rektor UIN Sunan Ampel Surabaya; 3. Kabiro AAKK dan AUPK UIN Sunan Ampel Surabaya; 4. Dekan Fakultas UIN Sunan Ampel Surabaya; 5. Bendahara Pengeluaran UIN Sunan Ampel Surabaya; zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA6. Ybs.
Ditetapkan di Surabaya pada tanggal 5 Mei 2017 REKTOR /
~=::::::-......KUASA PENGGUNA ANGGARAN,
Keputusan ini mulai berlaku pada tanggal ditetapkan. KELI MA
Biaya yang dikeluarkan sebagai akibat Keputusan ini dibebankan kepada anggaran DIPA Tahun Anggaran 2017 UIN Sunan Ampel Surabaya Nomor: SP DIPA-025.04.2.423770/2017, tanggal 7 Desember 2016.
KEEMPAT
NO NAMA FAKULTAS JUD UL JUMLAH zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBAI zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA. .., , zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA.. zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA4 ... zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA1 Dr. Ali Maksum, M.Ag., M.Si. TARBIYA H DAN KONFLIK IDEOLOGI ANTARA
Nip.' 197003041995031002 KEGURUAN ORMAS ISLAM RADIKAL DAN Rp 30,000,000
Saifullah ORMAS ISLAM MODERAT DI KOTA
Nim.D01213047 MALA NG
Nurul Faizatin Nim.D03215026
Rah mat Nim.D03215028
2 M. Bahri Musthofa, M.Pd.I, M.Pd. TARBIYAH DAN PENGEMBANGAN KECERDASAN Nip.' 197307222005011005 KEGURUAN INTRAPERSONAL DAN Rp 30,000,000
INTERPERSONAL DI PENDIDIKAN
Ikrima LUAR SEKOLAH (Studi Kasus di
Nim.D97214107 Sanggar Alang-alang Surabaya)
Lola Oktafianti Nim.D9721411 l Nur Oktaviani Nim.D97214115
3 Dr. Husniyatus Salamah TARBIYAH DAN DERADIKALISASI PEMAHAMAN AL- Zainiyati, M.Ag KEGURUAN QUR'AN DENGAN PENDEKATAN Rp 30,000,000 Nip.' 196903211994032003 MULTIDISIPLINER "(Upaya
Fikiy Afriyanto mengembangkan Bahan Ajar
Nim.D932 l 504 l Pendidikan Agama Islam Yang
Mustaidatul Khoiroh Inklusif-Pluralis Di SMA )"
Nim.D93215048
Abdul Qohar Nim.D93215060
4 Dra. Irma Soraya, M.Pd TARBIYAH DAN ANALISA KEGIATA Nip.' 196709301993032004 KEGURUAN PEMBELAJARAN BAHASA INGGRIS
Rp 30,000,000
Luluk Fatikah Sari DALAM MEMFASILITASI HIGH Nim.D75213074 ORDER THINKING SKILL PADA
Taufik Hidayat SISWA CERDAS ISTIMEWA 2
Nim.D75213103 TAHUN MA UNGGULAN AMANA TUL
Hamidah Salam UM MAH
Nim.D95213121
5 Ahmad Zainul Hamdi, M.Ag USHULUDDIN GERAKAN ISLAM KONTEMPORER Nip.' l 97205182000031001 DAN FILSAFAT (Studi tentang Ideologi Gerakan
Rp 30,000,000
Lufiani Lestari Keagamaan Masyarakat Urban di Nim.E02213015 Kota Surabaya)
Mega Juwita Purwaningrum Nim.E02213022 Muharomatus Sholiha Nim.E02213027
PENERIMA BANTUAN PENELITIAN MADYA KOLEKTIF UIN SUNAN AMPEL SURABAYA TAHUN 2017
LAMPIRAN VI
KEPUTUSAN REKTOR
UIN SUNAN AMPEL SURABAYA
NO MOR 269 TAHUN 2017
TANGGAL 5 MEI 2017 TENTANG PENERIMA BANTUAN PENELITIAN TAHUN 2017 UIN SUNAN AMPEL SURABAYA
19 zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBADr. Abdul Basith Junaidy, M.Ag SYARJAH DAN PENYERANGAN TERHADAP WARGA Nip.' 197110212001121002 HU KUM SIPIL DALAM BERBAGAI KASUS Rp 30,000,000
Taha Maksum PENGEBOMAN PERSPEKTIF
Nim.C03213054 HUKUM ISLAM
Lailatul Utiya Choirroh Nim.C33213066
Nyoman Nidia Sari Hayati Nim.C93213110 zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
20 Yusuf Amrozi, M.MT SAINS DAN DESAIN SISTEM INFORMASI Nip.' 197607032008011014 TEKNOLOGI PEMASARAN E COMMERCE PADA
Rp 30,000,000
Muhamad Bagus Subekti MIK RO, KECIL DAN MENENGAH
Nim.B062l4017 (UMKM)"BANDENG MENTARI" UD.
Ellyda Retpitasari MULTI SARANA NIAGA GRESII(
Nim.B96214095 UNTUK MENINGKATKAN
Fitri Rachmawati PE MA SARAN
Nim.B96214120
Yusuf Amrozi, M.MT Nip.' 197607032008011014
21 Laili Bariroh, M.Si ILMU SOSIAL Pareidolia Poli tik Dalam Aksi Massa Nip.'197711032009122002 DAN ILMU 212 (Studi tentang Kuasa Simbol
Rp 30,000,000
Susan Rahmawati POLITIK Pada Artikulasi Kepentingan Front
Nim.E04213106 Pembela Islam Sidoarjo)
Tika Lestari Nim.E042131 l l Wisnu Ayu Dara Jati Nim.E04213114
22 Dr .. Damanhuri, MA USHULUDDIN EKSISTENSI DAN PERAN Nip.' 195304101988031001 DAN FILSAFAT PESANTREN DI DAERAH
Rp 30,000,000
Nur Aini Masfufah MINORITAS MUSLIM (STUD! DI Nim.D04213026 PESANTREN RAUDHOTUL Nur Qomarul Lailiyah HUFFADZ TABANAN BALI ) Nim.D75213090
Siti Devi Anggraeni Nim.D91214102
23 Imam Buchori, SE, M.Si EKONOMI DAN IMPLEMENTASISTANDAR Nip.' 196809262000031001 BISNIS ISLAM AKUNTANSI PEMERI TAHAN
Rp 30,000,000
Ananta Dwi Setyo DALAM MENENTUKAN KUALITAS Nim.G72214018 LAPORAN KEUANGAN
Anas Adrianto UNIVERSITAS ISLAM NEGERI
Nim.G92214027 SUNAN AMPEL SURABAYA TAH UN
Assasiyatul Faizah 2013-2016 (SESUAI PERNYATAAN
Nim.G92214028 NO. 13 TENTANG PENYAJIAN LAPORAN KEUANGAN BADAN LA YANAN UMUM)
24 Ahmad Lubab, M.Si TARBIYAH DAN Prediksi Pola Cuaca Maritim (Tinggi Nip.'198111182009121003 KEGURUAN Gelombang, Curah Hujan, dan
Rp 30,000,000
Deasy Al fiah Adyanti Kecepatan Arus) Menggunakan Nim.H72214013 Adaptive Neuro Fuzzy Inference
Fifi Diah Rosalina System Time Seriessebagai
Nim.H72214014 Peringatan Dini bagi Keselamatan
Fanny Dwi Lestari Nelayan di Perairan Gresik.
Nim.H922 l 4026
N,
37 Dr. Mukhammad Zamzami, Le, USHULUDDIN KONSTRUKSI SOSIAL-TEOLOGIS M.Fil.I DAN FILSAFAT RITUAL ASMA ARTHO DI Rp 30,000,000
Nip.198109152009011000 KWAGEAN PARE KEDIRI Fitriana Azza Nim.E01214005 Moch. Dwi Prasetio Nim.E71214026 Mustafa Aris Nim.E71214030
38 Dr. H. M. Shodiq, S.Ag, M.Si ILMU SOSIAL REDEFINE INFORMATION SYSTEM Nip.' 197504232005011002 DA ILMU PROMOTION CULTURE AND
Rp 30,000,000
Ahmad Mustain M POLITIK TOURISM SEBAGAI MEDIA
Nim.H06214001 PENDUKUNG AKTIFITAS
Taufiqurrochman BERWISATA SYARIAH DAN
Nim.H76214017 PENGENALA N BUDAYA LOKAL
Siti Nurazizah MENGGUNAKAN PETA DIGITAL
Nim.H96214025 BERBASIS MULTI PLATFORM DEVICE (WEB DAN MOBILE) zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
39 Dr. Suryani, S.Psi, M.Si PSIKOLOGI EFEKTIVITAS PRO-SESSION Nip.'197708122005012004 DA (PROGRAM SELF COMPASSION)
Rp 30,000,000
Dian Catur Puspitasari KESEHATAN DALAM PENINGKATAN RESILIENSI
Nim.J7 l 2 l 4036 AKADEMIK MAHASISWA".
Nila Audini Oktavia Nim.J91214094 Shinta Nur Faadhilah Nim.J9 l 2 l 4097
40 Maunah Setyawati, M.Si TARBIYAH DAN Pengembangan Soal Olimpiade Nip.'197411042008012008 KEGURUAN Matematika yang Mengintegrasikan
Rp 30,000,000
Itsna Lailatul Mas'udah Ilmu Islam sebagai Wujud
Nim.D04213014 Paradigma Twin Towers UIN Sunan
Wilda Yumna Safitri Ampel Surabaya
Nim.D042 l 3036
Arif Rahman Hakim Nim.D74213051
41 Ilham, M. Korn SAINS DAN HUBUNGAN POLA KONSUMSI Nip.198011082014031000 TEKNOLOGI KARBOHIDRAT DAN PROTEIN Rp 30,000,000
Luluk Martha TERHADAP !MT MAHASISWA
Nim.H052 l 4003 FAKULTAS SAINTEK
Syarifatul Hidayah Nim.H052 l 4006
Nahawanda Ahsanu Amala Nim.H752l4017
42 Dr. Agus Santoso, S.Ag, M.Pd MK/852/2017 PROGRAM CAMPUS SOCIAL Nip.' 197008251998031002 RESPONSIBILITY (CSR) DALAM
Rp 30,000,000
Tri Anita Jumaroh MENINGKATKAN KETERAMPILAN Nim.B53214040 PROSOSIAL MAHASISWA UIN
Zahra Nisaul Azizah SUNAN AMPEL (Studi Diskriptif
Nim.B532 l 404 l Kualitatif Pengabdian Mahasiswa
Mila Nur Anisa' Program CSR di Surabaya)
Nim.B932 l 3104